本报告围绕高频和低频量价数据挖掘,以分钟频、逐笔成交与逐笔委托数据构建27个高频因子,利用GRU深度学习模型合成高频因子,并运用硬参数共享的多任务学习模型合成低频量价因子。最终通过全频段融合因子增强选股能力,实现中证500和中证1000指数的高效增强策略,体现了多因子融合与多频率深度学习应用的有效性和优越性
图表1呈现了各类量价数据的分类,图表2则直观说明了报告研究内容的整体框架,包括高频因子构建、多因子合成、低频多任务学习模型,以及全频段因子融合。,2]
本报告不涉及传统意义上的企业估值,但使用IC(信息系数)、年化超额收益率、信息比率、分层组合净值等量化指标作为因子有效性和策略价值的“估值”标准。深度学习模型的超参数设置、预测周期设计(未来10日收益预测)及模型权重核算相当于内部估值与风险控制机制,确保了选股信号的强韧性和稳定贡献。
华泰证券金融工程团队基于丰富的A股市场高频和低频量价数据,创新性地构建了27个表现优异且相关性较低的高频因子,通过GRU深度学习模型实现了优异的多因子合成。此外,引入日、周、月多频率数据,搭建硬参数共享的多任务学习模型挖掘低频因子,显著提升因子选股稳定性和收益表现。最终将高频深度学习因子与低频多任务学习因子以经验比例融合,产生全频段融合因子,进一步提高Alpha信号的强度和一致性。
图表分析显示:
风险提示中,报告指出深度学习模型可解释性弱和历史回测局限性提醒,提示用户审慎使用。
综上,报告展现出量价数据全频段高维度、深层次挖掘的良好前景,量化选股模型设计科学严谨,业绩表现突出,具备较强实际应用和推广潜力。~18]
以上为华泰证券金融工程团队发布的《基于全频段量价特征的选股模型》报告的详尽分析解读。报告以数据驱动、模型创新为核心,全面展示了高频与低频量价特征挖掘及应用的最新前沿成果,对量化投资领域具有较强的学术和实务参考价值。~19]
华泰金工 | 基于全频段量价特征的选股模型.pdf